Machine Learning. Deep Learning. Generative AI. Sentirai questi tre termini ovunque, a volte usati come se fossero la stessa cosa. Spoiler: non lo sono. Sono come bambole russe: una dentro l’altra, ma con differenze sostanziali che vale la pena conoscere.
In questa lezione ti spiego cosa sono e come si distinguono ML, DL e GenAI, con esempi concreti e senza gergo inutile.
Di cosa parleremo..
Machine Learning: il concetto più ampio
Il Machine Learning (apprendimento automatico) è la categoria più grande. È quella branca dell’intelligenza artificiale in cui i computer imparano dai dati senza essere esplicitamente programmati per ogni singola regola.
Immagina di voler insegnare a un programma a distinguere le foto di cani da quelle di gatti. Con la programmazione tradizionale dovresti scrivere regole del tipo: “se ha orecchie a punta e miagola, è un gatto”. Con il ML, invece, gli mostri migliaia di foto etichettate e lui impara da solo a riconoscere le differenze. Non gli dici le regole, gliele fai scoprire.
Esempi di ML classico (non deep learning):
- Filtri antispam della tua email: imparano a riconoscere le email indesiderate.
- Sistemi di raccomandazione: Netflix che ti suggerisce una serie.
- Alberi decisionali: usati per approvare o rifiutare prestiti bancari.
- Regressione lineare: prevedere il prezzo di una casa in base a metri quadrati e zona.
Il ML tradizionale funziona bene con dataset non troppo grandi e richiede che un umano prepari le caratteristiche giuste (le “feature”) da cui il sistema deve imparare. È come dare a uno studente un libro già sottolineato con i passaggi importanti.
Deep Learning: il ML va in profondità
Il Deep Learning (apprendimento profondo) è un sottoinsieme del Machine Learning. La differenza sta nell’architettura: mentre il ML classico usa algoritmi tradizionali, il DL usa reti neurali con molti strati (da qui “profondo”).
Per capire la differenza, pensa a un modello ML classico come a un artigiano specializzato in un mestiere. Un modello DL, invece, è come una catena di montaggio dove ogni strato estrae informazioni progressivamente più astratte. Il primo strato vede i pixel. Quello dopo vede i bordi. Poi le forme. Poi gli oggetti. Fino ad arrivare al significato completo.
Il DL è diventato popolare perché:
- Non serve preparare le feature a mano: la rete impara da sola cosa è importante.
- Funziona meglio con dati enormi: più dati gli dai, meglio impara.
- È più bravo con dati complessi: immagini, audio, testo, video.
Esempi di Deep Learning:
- Riconoscimento facciale negli smartphone.
- Traduzione automatica con Google Translate.
- Riconoscimento vocale (Siri, Alexa che capiscono cosa dici).
- Auto a guida autonoma che identificano pedoni e segnali.
Il costo? Il DL richiede molti più dati e potenza di calcolo. Un modello ML classico può girare su un portatile. Un buon modello DL ha bisogno di GPU potenti o cloud computing.
Generative AI: quando l’IA crea cose nuove
La Generative AI (IA generativa) è un sottoinsieme del Deep Learning (e quindi anche del ML). La sua caratteristica distintiva è che non si limita a classificare o prevedere: genera contenuti nuovi.
Mentre un ML tradizionale potrebbe dirti “questa foto è un gatto”, e un DL potrebbe segmentare l’immagine in gatto e sfondo, una GenAI potrebbe creare una foto di un gatto che non è mai esistito. Capisci la differenza?
Esempi di Generative AI:
- ChatGPT (o Claude, Gemini): genera testo nuovo in risposta ai tuoi prompt.
- DALL-E, Midjourney, Stable Diffusion: creano immagini da descrizioni testuali.
- Suno, Udio: generano musica da zero.
- Wan (Alibaba), Veo (Google): generano video da testo.
La GenAI si basa su architetture specifiche come i Transformer (per il testo) e i modelli di diffusione (per le immagini). Sono modelli addestrati su quantità astronomiche di dati, che imparano la distribuzione statistica di ciò che vedono e la usano per creare cose nuove, ma plausibili.
Un avvertimento: la GenAI non crea dal nulla. Impara pattern dai dati di addestramento e li ricombina. È più vicina a un bravo imitatore che a un artista originale.
La gerarchia: tre cerchi concentrici
Se dovessi disegnare la relazione tra i tre, sarebbe così:
- Cerchio più grande: ML. Tutto ciò che è Machine Learning. Include sia algoritmi classici (regressione, alberi decisionali, SVM) che reti neurali.
- Cerchio medio: DL. Un sottoinsieme del ML che usa reti neurali profonde.
- Cerchio piccolo: GenAI. Un sottoinsieme del DL specializzato nel generare nuovi contenuti.
Non tutto il ML è DL. Non tutto il DL è GenAI. Ma tutta la GenAI è DL, e tutto il DL è ML. Semplice, no?
FAQ
ChatGPT è ML, DL o GenAI?
Tutti e tre insieme. È GenAI perché genera testo nuovo. È DL perché usa una rete neurale profonda (Transformer). Ed è ML perché impara dai dati. Le tre categorie non si escludono, si annidano.
Un sistema di riconoscimento facciale è GenAI?
No, è Deep Learning (e quindi ML), ma non è GenAI. Riconosce volti esistenti ma non ne crea di nuovi. È una task di classificazione, non di generazione.
Quale si usa di più in ambito professionale?
Dipende dal problema. Per task semplici con pochi dati (< 10.000 esempi), il ML classico è spesso la scelta migliore. Per immagini, audio e testi complessi serve il DL. Per generare contenuti nuovi serve la GenAI. La regola d’oro: usa il più semplice che funziona.
Il deep learning è sempre meglio del machine learning classico?
No. Il DL è più potente ma anche più costoso. Per un problema semplice come prevedere il prezzo di una casa in base a 5 variabili, una regressione lineare (ML classico) funziona benissimo. Usare una rete neurale profonda sarebbe come usare un cannone per sparare a una mosca.
Serve una laurea in matematica per capire queste differenze?
Assolutamente no. I concetti di base sono semplici: ML impara dai dati, DL usa reti profonde, GenAI crea cose nuove. La matematica serve se vuoi costruire i modelli, ma per usarli e capirli bastano logica e buon senso.
